Dove l’ingegneria incontra il cervello

Mi ritengo un ingegnere biomedico prestato alle neuroscienze. Cerco di applicare metodi e tecniche dell’ingegneria a qualcosa che in apparenza può sembrare lontano dall’ingegneria, cioè il funzionamento del cervello.

In pratica io e il mio team costruiamo modelli computazionali, simulati al computer, che ricostruiscono il comportamento elettrico dei neuroni: come sono fatti, come sono posizionati, come sono connessi tra loro e quali messaggi si scambiano, usando informazioni che arrivano da biologi e neurofisiologi che fanno misurazioni su cervelli reali.

L’obiettivo è ottenere una ricostruzione il più possibile fedele del funzionamento delle reti neurali biologiche. I neuroni funzionano come piccoli circuiti elettrici: cambiano stato, passano dall’essere a riposo all’essere attivi, fanno un lavoro di codifica.

La forza di questi modelli è che sono costruiti a partire dai dati della fisiologia, soprattutto dati provenienti da modelli animali. Creiamo modelli personalizzati su dati animali, con l’obiettivo di ricostruire cervelli di topo o di moscerino, perché per quelle specie disponiamo di moltissime informazioni accumulate nel corso dei decenni, anche grazie all’evoluzione delle tecniche di acquisizione dei dati.

È di queste settimane la notizia che un’azienda sarebbe riuscita a simulare l’intero cervello di un moscerino caricandolo su un computer. Certo, è un modello molto semplificato rispetto al nostro cervello. Noi siamo abbastanza vicini a ricostruzioni complete di alcune aree del cervello del topo e, con questi modelli, riusciamo a capire qualcosa in più, perché li usiamo come strumenti di indagine, per fare esperimenti virtuali.

Sull’essere umano siamo molto più vincolati dal tipo di dato che abbiamo. Disponiamo soprattutto di dati non invasivi, come la risonanza magnetica o l’elettroencefalografia, che ci danno un’informazione molto grezza su quello che sta succedendo nei neuroni.

Per arrivare a modelli di cervello umano ci vorrà molto più tempo. Però possiamo inferire alcune proprietà a partire dai modelli animali. Il topo condivide con noi gran parte del patrimonio genetico e, pur essendo molto diverso per scala, può darci indizi su quali possano essere gli effetti di patologie come Parkinson, Alzheimer o epilessia.

Le nostre capacità di adattamento e di apprendimento dipendono dalla plasticità neurale. Molte connessioni tra neuroni possono modificare la loro forza in base all’attività che le attraversa: se si attivano in modo simultaneo o con una certa relazione causale, quel percorso può essere potenziato; se invece una connessione viene usata poco, può essere depotenziata.

Rispetto ai computer a cui siamo abituati, nel cervello la capacità di calcolo e la memoria coincidono: i neuroni sono la CPU, mentre la memoria sta nel modo in cui varia la connessione tra questi neuroni. L’apprendimento è proprio questo cambiamento delle connessioni, cioè la plasticità neurale. Può assumere forme diverse: alcune dipendono dall’attività neurale, altre da fattori esterni o da segnali che arrivano da altre zone del cervello e che modulano questa plasticità, attivandola o disattivandola.

Quando parliamo di dinamica di rete, guardiamo al fatto che il comportamento che emerge dal nostro corpo e che ci permette di interagire con l’ambiente è il risultato di una catena di passaggi che parte dal neurone e scala fino al coordinamento tra molti neuroni.

Quello che osserviamo sono i ritmi di attività: non distinguiamo la voce del singolo neurone, ma vediamo gruppi di neuroni che si attivano e si disattivano in maniera coordinata.

Questi ritmi ci danno informazioni su ciò che stiamo facendo. Ritmi più rapidi possono essere associati al pensiero o al movimento; ritmi più lenti al riposo. In questo modo mettiamo in relazione comportamenti microscopici e comportamenti macroscopici.

Se fossimo davvero in grado di spiegare il cervello cellula per cellula, allora si potrebbe spiegare tutto con l’ingegneria e la matematica, compresa la coscienza. Ma non siamo a quel punto, e non riusciremo a ricreare capacità di alto livello in una simulazione, anche perché non abbiamo ancora il modo di indagarle davvero.

Noi cerchiamo di costruire modelli capaci di riprodurre le variabili che ci interessano e di aiutarci a indirizzare meglio le nostre ipotesi. Passare però da oscillazioni e ritmi neurali a qualcosa di più astratto, come coscienza, pensiero o emozioni, è ancora molto lontano. Mancano dei pezzi.

Sulle malattie c’è ancora tanta strada da fare, ma ci sono esempi promettenti. Un modo molto diretto di intervenire sul cervello è la stimolazione, elettrica o magnetica, usata in neurologia per cercare di interferire con una patologia.

Il Parkinson, per esempio, è una malattia in cui muoiono alcuni neuroni in certe zone del cervello e si alterano oscillazioni e ritmi tra diverse aree: da qui derivano sintomi come il tremore. Si può intervenire con i farmaci, ma in circa un terzo dei casi non funzionano. Un’altra soluzione è impiantare elettrodi all’interno del cervello e stimolare elettricamente alcune aree, una sorta di pacemaker cerebrale. Questo permette di ristabilire quei ritmi e far scomparire il tremore.

Il modello può servire a capire come stimolare il cervello nel modo migliore: con quale intensità, con quale frequenza, in quale zona. Oggi si procede spesso per tentativi, cercando la combinazione che funziona meglio per quel paziente. Con un modello, idealmente paziente-specifico e costruito anche a partire dai dati di risonanza magnetica, si potrebbero simulare prima i diversi tentativi e poi provare sul paziente solo la soluzione migliore.

Questo discorso oggi è più facile da fare con la stimolazione elettrica, ma l’idea è arrivare a farlo anche con i farmaci: testare quale molecola sia la più adatta per un certo paziente. È la direzione della medicina di precisione e personalizzata, che prova a superare l’idea di una terapia uguale per tutti.

È vero, nasco ingegnere. Quando avevo scelto questo percorso, mi era rimasta in testa anche l’idea della medicina: era qualcosa che aleggiava. Negli ultimi anni della magistrale mi sarebbe piaciuto fare robotica applicata alle protesi, mi interessava molto quella parte. Poi non si è presentata l’occasione, e nella tesi ho toccato la robotica ma in un contesto diverso: quello di un robot controllato da reti neurali simulate.

Lì è avvenuto l’incontro con le neuroscienze. Fino a quel momento non avevo idea che avrei voluto fare questo. Usare il robot come corpo per un cervello virtuale simulato mi ha portato a lavorare sulle neuroscienze computazionali. Durante il dottorato è avvenuta la transizione vera e propria, e poi è proseguita nel postdoc. Ho ancora progetti di neurorobotica, ma mi sono spostato sempre di più sullo studio del cervello e sui limiti da superare grazie ai modelli.

Nel corso degli anni ho cercato di capire quanto i miei obiettivi potessero andare verso un’applicazione concreta: capire perché certe stimolazioni hanno effetto su alcuni pazienti e su altri no, e quali siano i pulsanti su cui possiamo agire per renderle più efficaci. In questo senso il mio è stato un percorso da puro ingegnere, poi robotico, poi sempre più vicino a neuroni e reti.

Fino al dottorato. Poi ho fatto tre anni e mezzo di esperienza di ricerca in altre università, in Italia e all’estero, che mi hanno arricchito molto.

Nel 2023 torno “a casa” con soddisfazione, in questa nuova veste di ricercatore al NEARLab del Dipartimento di Elettronica, Informazione e Bioingegneria.

La European Talent Academy è un'iniziativa congiunta tra Politecnico di Milano, TUM di Monaco e Imperial College London per supportare i giovani ricercatori nello sviluppo delle proprie competenze, nella costruzione di un network con i colleghi delle altre università e nella formazione sulle politiche europee per la ricerca e sulle opportunità di finanziamento.

È stata un’esperienza assolutamente positiva. Il tema era quello della salute, quindi molto vicino al mio settore, e mi sono candidato. Per me è stato anche un modo per conoscere meglio non solo i colleghi di Monaco e Londra, ma anche gli stessi colleghi del Politecnico, che venivano da ambiti che frequentavo meno, come chimica, architettura o design, però sempre orientati al tema salute.

Ho creato legami personali, ma soprattutto è stata un’occasione di contatto con i colleghi di università molto prestigiose, utile per trovare collaborazioni di livello. Era tutto organizzato molto bene, con tanti momenti di interazione, oltre alle lezioni e agli incontri sulle opportunità di finanziamento.

C’erano anche momenti molto pratici: i pitch di tre minuti per presentarsi e raccontare che cosa si fa, poi il matching a coppie, per approfondire idee di possibili collaborazioni.

Ho conosciuto lì una ricercatrice di Imperial che lavorava sulle neuroscienze sperimentali; io su quelle computazionali, e abbiamo capito subito che c’era una forte complementarità. Da lì è nato un seminario, poi ho visitato il laboratorio a Londra, e quindi è nata l’idea di un progetto comune. Più avanti è uscito un bando di una fondazione americana rivolto a coppie di principal investigator, e quella è stata l’occasione per mettere davvero a terra un’idea di collaborazione.

Quell’idea l’ho poi rielaborata in altri bandi, fino a quando lo scorso novembre è stato finanziato un progetto dal Fondo Italiano per la Scienza sullo studio degli effetti della stimolazione con ultrasuoni, una tecnica non invasiva di cui si è visto qualche effetto sui neuroni ma di cui non si capisce ancora bene il meccanismo. Oggi, quindi, abbiamo i mezzi per collaborare su una ricerca nata proprio lì.

La lezione più importante è che bisogna uscire dalla propria comfort zone per capire fin dove si può spingere la propria ricerca e per tirare fuori qualcosa di innovativo. In questo senso contano moltissimo le persone, il network, la possibilità di trovare qualcuno che faccia una cosa complementare alla tua.

La componente della didattica e del lavoro con gli studenti è uno dei motivi per cui ho scelto di rimanere in università. Mi piace coinvolgere gli studenti, proporre tesi, far appassionare altre persone.

A un certo punto il lavoro si trasforma anche in questo: non è più solo la ricerca che fai in prima persona, ma anche guidare dottorandi e studenti magistrali nei loro progetti e accompagnarli nella crescita.

Usare un modello per capire qualcosa che prima non si sapeva dà una soddisfazione enorme. Ci è successo in diversi lavori.

Quello che ancora deve arrivare è avere un impatto diretto sulla pratica clinica, un risvolto tangibile. Quello che facciamo oggi sono i mattoncini che stanno costruendo la conoscenza sul cervello.

L’orizzonte che mi pongo nei prossimi, diciamo, quindici anni, è riuscire, per esempio sul progetto degli ultrasuoni, a capire davvero il loro funzionamento e ad avere poi un protocollo clinico in cui si verifica il modello sul singolo paziente e si determina il protocollo migliore per ridurre il tremore. Ecco, quello sarebbe un impatto concreto, tangibile, sul paziente.

Il sogno di ogni ingegnere biomedico è che l’algoritmo, la protesi o la tecnologia che sviluppa arrivino davvero sul mercato e abbiano un impatto concreto sul paziente. Nell’ambito dei modelli per le neuroscienze, per me questo significherebbe riuscire ad avere un modello usato dentro uno studio clinico, qualcosa che potenzialmente possa diventare uno standard.

C’è poi un’altra direzione che mi incuriosisce molto, anche se al momento la conosco meno: il rapporto tra neuroscienze e intelligenza artificiale. I modelli di IA oggi sono molto diversi dai modelli che facciamo noi, perché lavorano soprattutto su statistica e probabilità, mentre i nostri cercano di riprodurre segnali elettrici veri e propri. Mi interessa l’idea di trasferire nei modelli di intelligenza artificiale alcuni principi con cui il cervello risolve i problemi, per renderli non solo più intelligenti ma anche più efficienti. Anche un miglioramento minimo, in termini di efficienza, potrebbe avere un impatto enorme.

È una sfida che guardo con un po’ di timore, perché è un mondo che conosco ancora poco, ma proprio per questo mi sembra anche una direzione molto stimolante da esplorare: cercare di migliorare l’intelligenza artificiale rendendola un po’ più “biologica”.

Un libro che mi ha colpito molto è Models of the Mind, di Grace Lindsay, neuroscienziata computazionale che ho anche conosciuto di persona. In modo divulgativo introduce i concetti più importanti delle neuroscienze moderne e mette in evidenza le tensioni che sorgono quando il mondo astratto della modellazione matematica incontra i dettagli complessi della biologia.

Nelle parole di Antonietti si ritrova una delle tensioni più fertili della ricerca contemporanea: tenere insieme la complessità della scienza di base e il desiderio di un impatto concreto sulle persone. I modelli, spiega, sono ancora “mattoncini” di conoscenza, ma è proprio da lì che può nascere, nel tempo, una nuova capacità di leggere il cervello e intervenire in modo più preciso. Con una convinzione in più, maturata anche fuori dalla propria comfort zone: l’innovazione non nasce mai da soli, ma dall’incontro tra competenze, discipline e sguardi diversi.